Você tem recomendações de livros para auto-ensinar Estatística Aplicada no nível de pós-graduação?

Fiz vários cursos de estatística na faculdade, mas descobri que minha educação era muito orientada pela teoria.

Fiquei imaginando se algum de vocês tinha um texto em Estatística Aplicada (no nível de pós-graduação) que recomendasse ou tivesse uma boa experiência.

Alguns livros muito bons: "Estatísticas para Experimentadores: Design, Inovação e Descoberta, 2ª Edição", de Box, Hunter & Hunter. Este é formalmente um texto introdutório (mais para o pessoal de química e engenharia), mas extremamente bom no lado aplicado.

"Análise de dados usando regressão e modelos multiníveis / hierárquicos", de Andrew Gelman e Jennifer Hill. Muito bom na aplicação da modelagem de regressão.

"Os elementos do aprendizado estatístico: mineração de dados, inferência e previsão, segunda edição" (Série Springer em estatística) 2ª (2009) Edição corrigida por Hastie Trevor, Tibshirani Robert e Friedman Jerome. Mais teórico do que os dois primeiros da minha lista, mas também extremamente bom nos porquês e nos ifs dos aplicativos. - Versão em PDF

"Uma Introdução à Aprendizagem Estatística" (Série Springer em Estatística) 6 (2015) de Gareth James, Daniela Witten, Trevor Hastie e Robert Tibshirani - Versão PDF

Trabalhar nesses três livros deve fornecer uma base muito boa para aplicativos.

Harrell (2001), Estratégias de Modelagem de Regressão é distinguido por

• cobertura da modelagem do início ao fim - portanto, redução de dados, imputação de valores ausentes e validação de modelos estão entre os tópicos incluídos
• ênfase na explicação de como empregar métodos diferentes em diferentes estágios
• exemplos bem elaborados (& código S-Plus / R) que ocupam grande parte do livro

Além disso, a Econometria Introdutória: Uma Abordagem Moderna de Wooldrige tem praticamente tudo o que você poderia querer saber sobre regressão, em um nível avançado de graduação.

editar: se você estiver lidando com resultados categóricos, Hastie et al é indispensável. Além disso, a Análise de dados categóricos da Agresti é uma boa abordagem clássica, em oposição à abordagem de aprendizado de máquina de Hastie et al.

Bayesian Data Analysis terceira edição (2013) de Gelman et al. O nível é misto, mas acho o tratamento tão bom que algo valioso pode ser obtido na maioria dos capítulos. Se você estiver interessado na aplicação de métodos baseada em princípios, recomendo este livro.

Tirei bastante proveito do Manual de Procedimentos Estatísticos Paramétricos e Não Paramétricos de Sheskin . É uma ampla pesquisa de métodos de teste de hipóteses, com boas introduções à teoria e toneladas de notas sobre as sutilezas de cada um. Você pode ver o sumário no site do editor (link acima).

Estratégias de modelagem de regressão de Frank Harrell, é um ótimo livro, se você já conhece alguns conceitos básicos. Ele é fortemente focado em aplicações (muitos exemplos de código), especificando modelos, diagnóstico de modelos, lidando com armadilhas comuns e evitando métodos problemáticos.

Eu usei "Engineering Statistics" de Montgomery e Runger. É muito bom (especialmente se você tiver um forte histórico em matemática). Também recomendo conferir o curso de aprendizado de máquina on-line da CalTech. É ótimo para uma introdução aos conceitos de ML (se isso faz parte da sua análise de dados). https://work.caltech.edu/telecourse.html .

Eu escrevi o livro Modelagem de regressão não linear para aplicações de engenharia: modelagem, validação de modelo e projeto de habilitação de experiências, Wiley, Nova York, NY, setembro de 2016. ISBN 9781118597965, Rhinehart, RR, porque senti essa necessidade. O livro tem 361 páginas e possui um site complementar com soluções de código aberto do Excel / VBA para muitas das técnicas. Visite www.r3eda.com.

A sequência dos métodos de regressão de nível superior do programa de doutorado da UW Stat usa os "Métodos de regressão bayesiana e freqüentista" de Wakefield, que é uma escolha particularmente boa para pessoas como você que viram muitas estatísticas matemáticas. Ele oferece muito mais perspectiva do que a maioria dos livros, mesmo sobre os métodos mais simples, pois utiliza muita matemática.

Eu usei o College Statistics Made Easy de Sean Connolly. Destina-se a um primeiro / segundo curso de estatística. O material é muito, muito fácil de seguir. Eu tentei alguns livros e nenhum se compara a isso.